Traces d'apprentissage : le big data et l'intelligence artificielle au service de la réussite des apprenants

Publié le 11 juin 2019 par Laure - Modifié le 30 janvier 2024 à 17H29

Avec Kosmos next, son programme de recherche et d’innovation, Kosmos a choisi de s’entourer d’une équipe d’experts pour réfléchir autour de différents sujets d’étude. L’objectif étant d’améliorer la réussite des élèves et de construire l’école de demain en s’appuyant sur les nouvelles technologies et l’immense champ de possibilités qu’elles laissent entrevoir.

 

Les traces d'apprentissage : le big data au service de la réussite scolaire


Aujourd'hui, il est possible de faire émerger de nombreuses données appelées traces d'apprentissage. Ces traces sont issues de l'utilisation d'outils numériques ou de services en ligne et permettent de réunir des informations sur les réalisations et les comportements d'apprentissage des élèves, ce qui représente un enjeu important pour l'avenir de l'éducation.

L'analyse de l'apprentissage ou Learning Analytics est "la discipline consacrée à la mesure, la collecte, l'analyse et la présentation de rapports basés sur des données des apprenants en contexte d'apprentissage dans le but de comprendre et d'optimiser l'apprentissage et le contexte".
Le domaine des Learning Analytics dérive des Data Analytics appliqué au secteur de l'éducation, on y retrouvera de manière adaptée les concepts de Data Mining ou de Machine Learning.

Kosmos certifié Qualiopi

L'analyse des données d'apprentissage peut généralement se voir suivant deux points de vue : celui des enseignants pour tenter d'améliorer la connaissance des profils de leurs élèves (notamment des élèves en difficulté) ou bien du point de vue de l'élève lui-même qui pourrait améliorer sa maîtrise de l'apprentissage et sa progression personnelle.

Les environnements numériques comme les ENT ou EMS (Education Management Software) utilisés dans les établissements scolaires sont totalement adaptés à la collecte de traces d'apprentissage en raison de l'importante volumétrie des données récoltées. Les EMS sont des plateformes capitalisables dont la fréquentation représente plus de 50 millions de visites par mois.
 

Kosmos en route vers l'Adaptive Learning grâce au big data

Au travers de son partenariat avec le Loria (laboratoire lorrain de recherche en informatique et ses applications) et d'un travail conjoint sur la récolte et l'analyse des traces d'apprentissage issues des services de Skolengo, l'EMS (Education Management Software), Kosmos prend part à la réflexion sur ces sujets d'étude innovants.

En effet, les données issues de l'exerciseur et des services pédagogiques de Skolengo vont pouvoir être stockées dans des LRS (Learning Record Store) en s'appuyant actuellement sur le standard xAPI (standard de référence pour le traitement des traces d'apprentissage). Dans ce cadre, Kosmos garantit une collecte et une utilisation des données strictement conformes au RGPD.

Il s'agira ensuite d'étudier avec nos experts et partenaires, comment utiliser au mieux ces informations. La difficulté de l'analyse de ces données rejoint les sujets autour de l'intelligence artificielle dans un contexte de Big Data : à partir d'un volume conséquent de données, non corrélées en apparence, comment pouvons-nous faire remonter l'information pertinente ?

Le projet intitulé METAL, réunit des acteurs de l'enseignement, des établissements scolaires, des universités, des laboratoires de recherche, des collectivités territoriales et propose de "concevoir, développer et évaluer un ensemble d'outils de suivi individualisés destinés aux élèves ou aux enseignants (learning analytics) et des technologies innovantes pour un apprentissage personnalisé des langues".

Même si l'Adaptive Learning n'en est qu'à ses balbutiements, ce sujet d'étude laisse entrevoir de grandes possibilités pour imaginer des parcours pédagogiques individuels et 100% adaptés.
Sur la même base que les technologies de recommandation, l'Adaptive Learning pourrait permettre de proposer aux élèves des parcours personnalisés grâce à l'analyse des données déjà récoltées sur des travaux antérieurs. Cette approche emprunte beaucoup de caractéristiques aux outils de suggestion de contenus similaires. Comme le font Google, Amazon ou encore YouTube, qui récoltent des données afin de cerner les préférences de leurs utilisateurs, l'Adaptive Learning pourrait permettre d'emmagasiner des données afin de proposer des contenus adaptés à chacun afin d'améliorer leurs performances et ainsi prendre en compte le caractère unique de chaque apprenant.

On peut alors imaginer dans le futur, une automatisation de ces pratiques afin de générer facilement des parcours individualisés pour les élèves. Mais aussi une aide précieuse pour les enseignants et les personnels de direction dans l'identification des profils nécessitant une aide et une attention particulière afin d'accompagner au mieux tous les élèves dans leurs parcours pédagogiques.